一种结合公共空间模式算法和EMD的脑电信号特征提取方法技术

本发明专利技术公开了一种结合公共空间模式算法和EMD的脑电信号特征提取方法，首先选取受试者的脑电信号作为训练集和测试集，分别对单个受试者的C3、C4两个通道中的信号进行预处理；然后对预处理后的EEG信号进行经验模式分解，得到一系列固有模态函数IMFi，并绘制所有固有模态函数的能谱图；随后将单次试验的C3、C4通道前三阶IMF分量合并，构成一个N*T的矩阵Xi，其中，N为IMF个数，T为一次试验的采样点个数，整个实验过程包含G组试验，共得到G组向量矩阵，分为G1组测试向量矩阵和G2组训练向量矩阵，分别进行公共空间模式分解。本发明专利技术利用三个通道EMD分解后的固有模态函数进行CSP滤波，在CSP的基础上加入EMD的频域信息，很好地解决了CSP缺乏频域信息的问题。

A method of EEG feature extraction based on public space model algorithm and EMD

The invention discloses a combination of common spatial pattern algorithm and EMD EEG feature extraction method, first select the EEG of subjects as the training set and test set, respectively for a single signal in subjects with C3 and C4 two channels in the pretreatment; then the EEG signal preprocessing after empirical mode decomposition, obtained a series of intrinsic mode function IMFi, and draw the energy spectrum of each intrinsic mode function; C3, C4 channel will follow the single trial before the three order IMF component with a Xi matrix, the N*T, N is the number of IMF, T for a test the number of sampling points, the whole experiment process including G test group, G group received vector matrix, divided into G1 group and G2 group training test vector matrix vector matrix, respectively decomposition model of public space. The CSP filtering is performed by using the intrinsic mode function of the three channel EMD decomposition, and the frequency domain information of the EMD is added on the basis of the CSP, thereby solving the problem that the CSP lacks frequency domain information.

【技术实现步骤摘要】

本专利技术属于智能信息处理领域，具体涉及一种结合公共空间模式算法和EMD(经验模式分解)的脑电信号特征提取方法。
技术介绍
脑机接口是一种基于脑电信号实现人脑与计算机或其他设备之间通信和控制的接口，通过大脑活动产生的脑电信号(Electroencephalogram,EEG)为人类和环境之间提供了新的通信和控制渠道，拓宽了人类的控制能力，具有广泛的应用前景。该领域的发展不仅帮助瘫痪病人使用计算机、神经假体、机器臂等电子设备，也实现了包括：运动恢复、通信、环境控制甚至娱乐等其他功能。目前，基于EEG的脑机接口主要包含五个主要步骤：获取信号、预处理、特征提取、特征分类和接口设备控制。在以上步骤中：因为有效地在降维特征空间展现了输入信号特征并适用于进一步标识不同想象运动脑电信号的判别信息，特征提取在BCI研究界受到广泛的关注。作为基于运动想象的脑机接口(MotorImagery-BrainComputerInterface,MI-BCI)系统的信号源，包括脑电图(EEG)和脑皮层电图(Electrocorticography,ECoG)，EEG信号是一种弱的、非线性、非平稳并且随时间变化的信号。所以提出一种有效的特征提取方法是改善识别精度的关键。目前，时间-频率分析作为处理智能信号一种潜在的强大方法并且被广泛地应用于脑信号的研究。传统的时间-频率方法包括：短时傅里叶变换(Short-timeFourierTransform,STFT)，小波变换(WaveletTransform,WT)，Winger-Ville分布，但是这些方法的本质都是基于傅里叶变换，根据海森堡不确定性原理，该方法不可能同时得到时间-频率的良好分辨率。近年，希尔伯特黄变换(Hilbert-HuangTransform,HHT)作为另一种时间-频率分析法已经变得越来越流行，可以有效地分析非线性和非平稳信号。原信号经过经验模式分解(EmpiricalModeDecomposition，EMD)被分解为一系列固有模态函数(IMFs)，随后对每个固有模态函数进行希尔伯特黄变换。HHT不涉及海森堡不确定性原理可以获得时域和频域的高分辨率。目前它被广泛应用于许多信号处理领域，如雷达探测，地震信号和生物医学信号等。再者，由于EEG信号低空间分辨率，EEG信号构成的BCI系统需要进行有效的空间滤波，从而确保从受试的相关脑域中提取特征信息。在这一方面，常用的算法有：共域空间分解(CommonSpatialPattern，CSP)、独立主成分分析(IndependentComponentAnalysis,ICA)和共域空间谱模式(CSSP)、滤波器CSP(FilterBankCommonSpatialPattern,FBCSP)、判别滤波CSP(DiscriminantFilteringCommonSpatialPattern,DFBCSP)等多种CSP的修改版本。然而，传统的CSP客观存在着需要大量的输入通道以及缺乏频率信息的不足之处，需要进行改进。
技术实现思路
本专利技术目的在于针对传统公共空间模式算法的不足，本专利技术提出一种公共空间模式算法结合经验模式分解的脑电信号特征提取方法，利用三个通道EMD分解后的固有模态函数进行CSP滤波，在CSP的基础上加入EMD的频域信息，可以很好地解决上述问题，为更好地进行想象运动判别提供了一个可选的途径。本专利技术解决上述技术问题所采取的技术方案为一种结合公共空间模式算法和EMD的脑电信号特征提取方法，具体包括如下步骤：步骤1：选取若干位受试者的脑电信号作为训练集和测试集，分别对单个受试者的C3、C4两个通道中的信号进行预处理；步骤2：对预处理后的EEG信号x(t)进行经验模式分解，得到一系列固有模态函数IMFi，并绘制所有固有模态函数的能谱图；步骤3：将单次试验的C3、C4通道前三阶IMF分量合并，构成一个N*T的矩阵Xi，i＝L表示想象左手运动，i＝R表示想象右手运动，其中，N为IMF个数，可看作通道数，T为一次试验的采样点个数，即窗口长度，整个实验过程包含G组试验，共得到G组向量矩阵，分为G1组测试向量矩阵和G2组训练向量矩阵，分别进行公共空间模式分解。进一步，上述步骤2中，对EEG信号进行经验模式分解的具体步骤如下：(1)判断每个x(t)的局部极值，用三次样条曲线进行曲线拟合，局部极大值形成上包络emax(t),局部极小值形成下包络emin(t)；(2)求emax(t)和emin(t)的均值：(3)计算输入信号x(t)和m(t)的差值:c(t)＝x(t)-m(t)(2)；如果c(t)不能满足IMF的定义截至条件，重复上述过程(1)-(3)，否则，提取c(t)作为固有模态函数，剩余量r(t)计算如下：r(t)＝x(t)-c(t)(3)；(4)剩余量作为一个新的数据经过相同的筛选过程以获得下一个更低频率的固有模态函数，直到剩余函数r(t)为一个单调函数或者仅有一个极致时，分解过程停止，假设原始信号x(t)被分解为n个固有模态函数和一个剩余函数量r(t)，可以得重构信号：进一步，上述公共空间模式分解的算法包括如下步骤：步骤1：XL和XR表示预处理过的EEG矩阵，下标L和R分别代表左右想象运动和右手想象运动，N*T维，N为通道数，T为采样点数，标准化的空间协方差表示为：步骤2：对复合协方差矩阵进行对角化分解：白化矩阵：对平均协方差矩阵进行变形：SL和SR有共同的特征向量，满足下式：SL＝B∑LBT(11)SR＝B∑RBT(12)∑L+∑R＝I(13)；步骤3：成分选择，构造空间滤波器，SL最大特征值对应的特征向量对应SR最小特征值，反之亦然，对应白化EEG的最大特征值的特征向量进行变换，可以获得两个信号矩阵的最优分离方差，投影矩阵W表示为：W＝UTP(14)此处W即空间滤波器，原始的EEG信号x(t)经过W可以被投影得到新的数据集Z0，如式13所示：Z0＝x(t)·W(15)构建矩阵Z＝[z1,z2,…,z2m]∈RN×2m由Z0的前行和后m行构成，特征向量f＝[f1,f2,…,f2m]T∈R2m×1即定义为：其中，该公共空间模式算法的成分选择算法即为通过选择最大的m个特征值和最小的m个特征值所对应的2m个特征向量构造空间滤波器W的过程。上述成分选择算法的具体步骤如下：(1)使用对EEG信号进行经验模式分解时采用的结合公共空间模式算法的特征提取过程进行计算，选取所有的特征向量组成空间滤波器W；(2)记原始输入的M组N*T的矩阵数据为Data1，对Data1用上述滤波器W进行滤波，滤波后的数据为Data2；(3)计算Data2中六个通道数据的能量，其中包含C3电极前三阶IMF分量和C4电极前三阶IMF分量，选取每组训练集中不同类别之间能量差异最明显的前三对分量对应的特征向量，构成新的滤波器W′；(4)选若干组测试数据作为Data3，使用改进后的滤波器W′进行滤波，按照公式16进行特征提取。进一步，空间滤波后使用支持向量机进行特征分类，其具体步骤如下：(1)对于非线性EEG问题，将特征集通过非线性变换转化为另一个空间中的线性问题，构造最优分类面，相应的最优决策函数为：其中N为支持向量个数，αi为Lagrangue乘子，从而本文档来自技高网...

【技术保护点】
一种结合公共空间模式算法和EMD的脑电信号特征提取方法，其特征在于，所述方法包括如下步骤：步骤1：选取若干位受试者的脑电信号作为训练集和测试集，分别对单个受试者的C3、C4两个通道中的信号进行预处理；步骤2：对预处理后的EEG信号x(t)进行经验模式分解，得到一系列固有模态函数IMFi，并绘制所有固有模态函数的能谱图；步骤3：将单次试验的C3、C4通道前三阶IMF分量合并，构成一个N*T的矩阵Xi，i＝L表示想象左手运动，i＝R表示想象右手运动，其中，N为IMF个数，可看作通道数，T为一次试验的采样点个数，即窗口长度，整个实验过程包含G组试验，共得到G组向量矩阵，分为G1组测试向量矩阵和G2组训练向量矩阵，分别进行公共空间模式分解。

【技术特征摘要】
1.一种结合公共空间模式算法和EMD的脑电信号特征提取方法，其特征在于，所述方法包括如下步骤：步骤1：选取若干位受试者的脑电信号作为训练集和测试集，分别对单个受试者的C3、C4两个通道中的信号进行预处理；步骤2：对预处理后的EEG信号x(t)进行经验模式分解，得到一系列固有模态函数IMFi，并绘制所有固有模态函数的能谱图；步骤3：将单次试验的C3、C4通道前三阶IMF分量合并，构成一个N*T的矩阵Xi，i＝L表示想象左手运动，i＝R表示想象右手运动，其中，N为IMF个数，可看作通道数，T为一次试验的采样点个数，即窗口长度，整个实验过程包含G组试验，共得到G组向量矩阵，分为G1组测试向量矩阵和G2组训练向量矩阵，分别进行公共空间模式分解。2.根据权利要求1所述的结合公共空间模式算法和EMD的脑电信号特征提取方法，其特征在于步骤2中对EEG信号进行经验模式分解的具体步骤如下：(1)判断每个x(t)的局部极值，用三次样条曲线进行曲线拟合，局部极大值形成上包络emax(t),局部极小值形成下包络emin(t)；(2)求emax(t)和emin(t)的均值：m(t)=emin(t)+emax(t)2---(1);]]>(3)计算输入信号x(t)和m(t)的差值:c(t)＝x(t)-m(t)(2)；如果c(t)不能满足IMF的定义截至条件，重复上述过程(1)-(3)，否则，提取c(t)作为固有模态函数，剩余量r(t)计算如下：r(t)＝x(t)-c(t)(3)；(4)剩余量作为一个新的数据经过相同的筛选过程以获得下一个更低频率的固有模态函数，直到剩余函数r(t)为一个单调函数或者仅有一个极致时，分解过程停止，假设原始信号x(t)被分解为n个固有模态函数和一个剩余函数量r(t)，可以得重构信号：x(t)=Σi=1nci(t)+rn(t)---(4).]]>3.根据权利要求1所述的结合公共空间模式算法和EMD的脑电信号特征提取方法，其特征在于，所述公共空间模式分解的算法包括如下步骤：步骤1：XL和XR表示预处理过的EEG矩阵，下标L和R分别代表左右想象运动和右手想象运动，N*T维，N为通道数，T为采样点数，标准化的空间协方差表示为：RH=XLXLTtrace(XLXLT)---(5)]]>RF=XRXRTtrace(XRXRT)---(6);]]>步骤2：对复合协方差矩阵进行对角化分解：R=RL‾+RR‾=U0ΣU0T---(7)]]>白化矩阵：P=Σ-1/2U0T---(8)]]>对平均协方差矩阵进行变形：SL=PRL‾PT---(9)]]>SR=PRR‾PT---(10)]]>SL和SR有共同的特征向量，满足下式：SL＝B∑LBT(11)SR＝B∑RBT(12)∑L+∑R＝I(13)；步骤3：成分选择，构造空间滤波器，SL最大...

【专利技术属性】
技术研发人员：张学军，黄婉露，杨善阳，何涛，成谢锋，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32